【RT-DETR实战】025、OpenVINO部署RT-DETR实战：从模型导出到推理加速的踩坑实录

一、问题切入：为什么OpenVINO部署RT-DETR比想象中复杂？

上周在产线部署RT-DETR时遇到个典型问题：PyTorch训练时mAP 78.3%，导出ONNX后在OpenVINO上推理，检测框位置出现系统性偏移。

产线工程师反馈“模型偶尔漏检传送带边缘的工件”，现场调试发现不是偶尔，是边缘区域重复漏检。

这个问题暴露了从动态图到静态图转换时的算子兼容性陷阱——特别是RT-DETR中的可变尺度特征融合模块。

今天这篇笔记，就记录我们如何把RT-DETR完整部署到OpenVINO推理引擎，并解决实际遇到的三个核心问题：动态形状支持、自定义算子转换、后处理优化。

二、模型导出：那些PyTorch到ONNX的“暗坑”

先看最初的导出代码（问题版本）：

torch.onnx.export(model,dummy_input,"rtdetr.onnx"